حسابداری، امور مالی و هوش محاسباتی 3092-7366 3 پاییز 1404 1404 08 01 Developing a Qualitative Model of Machine Learning and Artificial Intelligence in Activity-Based Costing for Project Costing تدوین مدل کیفی یادگیری ماشین و هوش مصنوعی در هزینه یابی پروژه مبتنی بر فعالیت 1 15 FA رضا اسعدی گروه حسابداری، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران. آرتین بیطاری گروه حسابداری، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران. محمدرضا قربانیان گروه مدیریت بازرگانی، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران. Journal Article 1404/05/08 <p>In today’s competitive world, precise cost management in projects is vital, and the activity-based costing system has been designed to accurately allocate costs to activities. However, its implementation complexity and the extensive data requirements make its practical application challenging. In the era of digital transformation, the utilization of modern technologies such as machine learning and artificial intelligence in the domains of finance and accounting has become an undeniable necessity. This study, using a qualitative approach and a documentary research method during 2025 with the aid of MAXQDA software, developed a conceptual model to integrate the capabilities of machine learning and artificial intelligence within the framework of activity-based project costing. First, by extracting 20 core components of machine learning, 18 key components of artificial intelligence, and 15 central components of activity-based costing, a conceptual and integrative classification was presented. Then, these components were aggregated and analyzed within conceptual dimensions to identify their systemic and practical relationships in project cost management. The findings of the study indicate that machine learning models can enable precise cost prediction, identification of cost drivers, and analysis of cost behavior; whereas artificial intelligence, through expert systems, fuzzy logic, and intelligent agents, can facilitate decision-making under uncertainty. Ultimately, the integration of these technologies into the activity-based costing structure enhances the accuracy of cost allocation, increases financial information transparency, and optimizes the utilization of resources in projects. Based on the study results, managerial recommendations have been provided for the practical implementation of this model.</p> <p>در دنیای رقابتی امروز، مدیریت دقیق هزینه‌ها در پروژه‌ها حیاتی است و سیستم هزینه‌یابی مبتنی بر فعالیت با هدف تخصیص دقیق هزینه‌ها به فعالیت‌ها طراحی شده، اما پیچیدگی اجرایی و نیاز به داده‌های فراوان بهره‌برداری از آن را دشوار کرده است. در عصر تحول دیجیتال، بهره‌گیری از فناوری‌های نوین همچون یادگیری ماشین و هوش مصنوعی در حوزه‌های مالی و حسابداری به ضرورتی انکارناپذیر بدل شده است. این پژوهش با رویکرد کیفی و روش اسنادی در طی سال 1404 با کمک نرم افزار MAXQDA به تدوین مدلی مفهومی برای تلفیق قابلیت‌های یادگیری ماشین و هوش مصنوعی در چارچوب هزینه‌یابی پروژه مبتنی بر فعالیت پرداخته است. ابتدا با استخراج ۲۰ مؤلفه اصلی یادگیری ماشین، ۱۸ مؤلفه کلیدی هوش مصنوعی و ۱۵ مؤلفه محوری در هزینه‌یابی مبتنی بر فعالیت، یک طبقه‌بندی مفهومی و ترکیبی ارائه گردید. سپس مؤلفه‌ها در قالب محورهای مفهومی تجمیع و تحلیل شدند تا روابط سیستمی و کاربردی آن‌ها در مدیریت هزینه پروژه‌ها مشخص شود. یافته‌های تحقیق نشان می‌دهد که مدل‌های یادگیری ماشین قابلیت پیش‌بینی دقیق هزینه‌ها، شناسایی محرک‌های هزینه و تحلیل رفتار هزینه‌ای را فراهم می‌کنند؛ در حالی‌که هوش مصنوعی از طریق سیستم‌های خبره، منطق فازی و عامل‌های هوشمند می‌تواند تصمیم‌گیری در شرایط عدم قطعیت را تسهیل نماید. در نهایت، ترکیب این فناوری‌ها در ساختار هزینه‌یابی مبتنی بر فعالیت منجر به افزایش دقت تخصیص هزینه، شفافیت اطلاعات مالی و بهینه‌سازی استفاده از منابع در پروژه‌ها می‌شود. بر اساس نتایج تحقیق، پیشنهادهای مدیریتی جهت پیاده‌سازی عملی این مدل ارائه شده است.</p> https://jafci.com/index.php/jafci/article/download/179/119